[发明专利]一种基于灰色神经网络的风光互补功率预测方法

说明书

本发明涉及一种基于灰色神经网络的风光互补功率预测方法，通过提取不同季节的风光互补发电特征量建立数据库，构建灰色神经网络模型，对风光互补发电功率进行预测。其中特征量包括环境温度、辐射强度、大气风速、大气压强等。根据输入数据的维数确定灰色神经网络的结构，建立风光互补发电功率灰色神经网络预测模型，初始化灰色神经网络模型结构参数，通过输入的每个时间序列训练数据计算每层输出，利用输出预测值与期望输出值的误差修正灰色神经网络模型的参数，完成灰色神经网络的训练，然后根据测试数据，对风光互补发电功率进行预测，最后将风光互补输出功率进行时间序列互补特性计算，预测风光互补输出功率。

技术领域

本发明涉及新能源出力预测技术领域，尤其是涉及一种基于灰色神经网络的风光互补功率预测方法。

背景技术

随着我国新能源发电的不断发展，大量的风光发电引入到发电运行中，风光互补发电的管理至关重要，为了能够更好的对风光互补发电进行调度，需要对其进行准确的预测。

灰色模型通过弱化数据序列的随机性，有效克服小样本、少数据等问题。但是，灰色模型缺少自学习和自适应能力。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于灰色神经网络的风光互补功率预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于灰色神经网络的风光互补功率预测方法，该预测方法包括以下步骤：

步骤1：根据气象数据耦合性以及与输出功率相关性提取不同季节尺度风光互补发电特征量数据构建数据库；

步骤2：基于气象数据和风光输出功率建立风光互补发电功率的灰色神经网络预测模型；

步骤3：利用数据库训练风光互补发电功率的灰色神经网络预测模型，得到训练完毕的灰色神经网络预测模型；

步骤4：利用训练完毕的灰色神经网络预测模型对未来风光互补输出功率进行预测，得到不同季节不同时间尺度风光互补功率预测结果。

进一步地，所述的步骤1具体包括：对四季的风光发电特征量数据进行提取，选择不同季节不同尺度的历史发电功率、光照辐射强度、温度、压强和风速，并根据不同时间段分别作为训练数据和测试数据以构建数据库。

进一步地，所述的步骤2中的灰色神经网络预测模型由相互依次连接的LA层、LB层、LC层和LD层组成，所述LA层设有用于输入时间序列的1个节点，所述LB层设有用于过渡连接所述LA层与所述LC层的1个节点，所述LC层设有分别用于输入历史风力发电功率、环境、风速、环境温度和大气压强或者历史光伏发电功率、光照强度、环境温度和大气压强的4个节点，所述LD层设有用于输出发电输出功率预测值的1个节点。

进一步地，所述的步骤2中的灰色神经网络预测模型，其对应的微分方程表达式为：

式中，t为时间序列，y₁为系统风光互补功率输出，y₂、y₃和y₄为光照辐射强度、环境温度与大气压强的组合或环境风速、环境温度与大气压强的组合，a、b₁、b₂、b₃为微分方程系数。

进一步地，所述的步骤2中的灰色神经网络预测模型的风光互补功率预测结果，其描述公式为：

式中，p(t)为风光互补功率预测结果，y₁(0)表示系统风光互补功率输出初始值，d表示灰色神经网络预测模型中LD层的输出。

进一步地，所述的步骤2中的灰色神经网络预测模型的输出节点的阈值，其描述公式为：